Signal and Data Processing

fa ارائه یک پروتکل جدید برای انتشار داده‌ها با حفظ حریم خصوصی در محیط‌های توزیع‌شده مبتنی بر مدل‌های احتمالاتی A Novel Privacy-Preserving Distributed Data Publishing Protocol Based on Probabilistic Models مقالات گروه امنیت اطلاعات Paper پژوهشي Research امروزه بسیاری از خدمات در بخش خصوصی و دولتی به‌صورت الکترونیکی ارائه می‌شوند. اطلاعات ایجادشده به‌وسیله این خدمات به‌طورمعمول شامل رکوردهایی با اطلاعات حساس و خصوصی افرادی است که از این خدمات استفاده می‌کنند. سازمان‌های ارائه‌دهنده خدمات، موظف‌اند با ارائه خدمات امن و مورد اعتماد از نقض حریم خصوصی افراد جلوگیری کنند؛ از سوی دیگر اطلاعات ذخیره‌شده با حجم بالا منبع مناسبی برای کشف دانش به‌شمار می‌روند و با انتشار و اشتراک اطلاعات می‌توان به این مهم دست یافت که ممکن است به ایجاد چالش امنیتی و نقض حریم خصوصی منجر شود. راه‌کارهای ارائه‌شده در انتشار با حفظ محرمانگی داده‌های توزیع‌شده بیشتر با استفاده از روش‌های شخص سوم مورد اعتماد و محاسبات امن چندگانه همراه‌اند. این روش‌ها شامل مشکلات و چالش‌های متعدد امنیتی از قبیل ارتباط، هماهنگی و تبانی شرکت‌کنندگان در اشتراک داده، نبود شخص سوم قابل ‌اعتماد، چالش‌های امنیتی پروتکل‌های محاسبات امن چندگانه و همچنین حملات درون‌سازمانی مشارکت‌کنندگان است. در این مقاله علاوه‌بر مرور روش‌های حفظ محرمانگی و حریم خصوصی در داده‌های توزیع‌شده و بررسی نقاط ضعف و قدرت آن‌ها، طرح جدیدی بر پایه مدل احتمالاتی برای حفظ حریم خصوصی در حوزه توزیع‌شده ارائه می‌شود. نتایج به‌دست‌آمده از ارزیابی امنیتی نشان می‌دهد روش پیشنهادی، بدون نیاز به شخص سوم مورد اعتماد و یا استفاده از محاسبات امن چندگانه، علاوه‌بر مقاومت در برابر حملات خارجی، در مقابل حملات داخلی که توسط مشارکت‌کنندگان پی‌ریزی می‌شود نیز مقاومت مناسبی دارد؛ به‌نحوی ‌که در تمام حالات کمتر از یک درصد از رکوردهای منتشرشده نقض می‌شوند؛ همچنین نتایج حاصل از دقت  طبقه‌بندی نشان می‌دهد، در این روش با توجه به اشتراک داده، دقت داده‌ها نسبت به حالتی که تنها یک فراهم‌کننده قصد انتشار داده را دارد افزایش می‌یابد؛ اما از سوی دیگر استفاده از روش پیشنهادی افزایش سربار پردازشی را به‌دنبال دارد؛ به‌طوری ‌که این روش در تمامی حالات نسبت به روش پایه کندتر عمل می‌کند. In the era of digital transformation, government agencies and corporations increasingly rely on electronic services, generating vast volumes of sensitive data stored in distributed databases. While these records hold immense potential for knowledge discovery through data mining, their publication or sharing raises critical privacy concerns, particularly when sensitive individual information is at risk. Traditional Privacy-Preserving Distributed Data Publishing (PPDDP) methods rely heavily on Trusted Third-Party (TTP) intermediaries and Secure Multi-Party Computation (SMC), which introduce systemic vulnerabilities such as communication bottlenecks, synchronization failures, insider attacks, and inherent distrust in centralized entities. In healthcare analytics, hospitals leverage patient data to enhance diagnostic precision, optimize clinical workflows, and advance preventive and precision medicine. Yet, reliance on siloed datasets from individual institutions often restricts model generalizability and impedes comprehensive insights into health outcomes. Patient health is a multidimensional construct influenced not only by genetic and biological factors but also by behavioral patterns and socio-environmental determinants. Cross-institutional collaboration integrating diverse datasets from geographically distributed sources is essential to develop robust analytical models. However, such collaboration raises critical privacy concerns, as centralized aggregation of sensitive data risks exposure to breaches or misuse. Our probabilistic framework for privacy-preserving distributed data publishing directly addresses this challenge. By eliminating dependencies on trusted third parties and secure multi-party computation, our approach enables secure, decentralized integration of heterogeneous healthcare data. Through uncertainty-aware probabilistic anonymization and adaptive noise injection, the framework ensures compliance with stringent privacy regulations (e.g., GDPR, CPRA, HIPAA) while preserving the analytical utility required for accurate, actionable health outcome predictions. This balance of utility and privacy empowers researchers to harness the full potential of distributed datasets without compromising individual confidentiality, ultimately fostering innovation in precision medicine and population health management. This paper introduces a novel probabilistic framework for privacy preservation in distributed environments, eliminating dependencies on TTP and SMC. Unlike existing approaches, this method leverages uncertainty-aware probabilistic models to dynamically anonymize and perturb data across distributed nodes while preserving global data utility. First a survey of privacy preservation data publishing methods is presented in this paper and then we discuss about prose and cons of the techniques. After this we present the model and its implementation details. The results obtained by security evaluations shows that the presented method will balance out the privacy security and the accuracy of distributed data better, using the probability model without needing a Trusted Third-Party and Secure Multi-party Computation. اشتراک داده, امنیت, انتشار داده, محرمانگی, حفظ حریم خصوصی, داده‌کاوی. Data Mining, Data Publishing, Data sharing, Privacy Preserving, Security. 35 58 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-182-4&slc_lang=fa&sid=1 Elyas Mosayebi الیاس مصیبی elyas.mosayebi@gmail.com 100319475328460014066 100319475328460014066 No M.Sc. in Computer Engineering, University of Guilan, Rasht, Iran دانش‌آموخته کارشناسی‌ارشد گروه مهندسی کامپیوتر دانشگاه گیلان، رشت، ایران Reza Ebrahimi Atani رضا ابراهیمی آتانی rebrahimi@guilan.ac.ir 100319475328460014067 100319475328460014067 Yes Associated Professor, Department of Computer Engineering, University of Guilan, Rasht, Iran دانشیار گروه مهندسی کامپیوتر دانشگاه گیلان، رشت، ایران